# 4.2 測試選項 應用選定的分類器后得到的結果會根據 Test Option 一欄中的選擇來進行測試。共有四種測試模式： 1\. Using training set. 根據分類器在用來訓練的實例上的預測效果來評價它。 2\. Supplied test set. 從文件載入的一組實例，根據分類器在這組實例上的預測效 果來評價它。點擊 Set… 按鈕將打開一個對話框來選擇用來測試的文件。 3\. Cross-validation. 使用交叉驗證來評價分類器，所用的折數填在 Folds 文本框 中。 4\. Percentage split. 從數據集中按一定百分比取出部分數據放在一邊作測試用，根 據分類器這些實例上預測效果來評價它。取出的數據量由 % 一欄中的值決定。 注意：不管使用哪種測試方法，得到的模型總是從所有訓練數據中構建的。點擊 More options 按鈕可以設置更多的測試選項： 1\. Output model. 輸出基于整個訓練集的分類模型，從而模型可以被查看，可視化 等。該選項默認詩選中的。 2\. Output per-class stats. 輸出每個 class 的準確度/反饋率（precision/recall） 和正確/錯誤（true/false）的統計量。該選項也是默認選中的 3\. Output evaluation measures. 輸出熵估計度量。該選項默認沒有選中。 4\. Output confusion matrix. 輸出分類器預測結果的混淆矩陣。該選項默認選中。 5\. Store predictions for visualization. 記錄分類器的預測結果使得它們能被可 視化表示。 6\. Output predictions. 輸出測試數據的預測結果。注意在交叉驗證時，實例的編 號不代表它在數據集中的位置。 7\. Cost-sensitive evaluation. 誤差將根據一個價值矩陣來估計。Set… 按鈕用來 指定價值矩陣。 8\. Random seed for xval / % Split. 指定一個隨即種子，當出于評價的目的需要 分割數據時，它用來隨機化數據。 > 4 WEKA 中的分類和回歸都放入了 classify 頁面中，相應的工具都叫做分類器（classifier）。參考4.3節。